Cascade-KDE：脱分布冲击性噪声下的鲁棒时序数据恢复
机器学习
2026-05-26 v1 人工智能
摘要
工业传感、健康护理和能源系统中的真实时序数据常受高斯噪声和偶发大幅冲击性离群值混合干扰。对于依赖局部形状的任务，如心电图形态分析和电池退化监测，主要需求不仅是低重构误差，还要保留导数峰值和任务关键特征。我们提出Cascade-KDE，一个用于恢复被冲击性噪声破坏的时间序列的训练-free 恢复框架。该方法首先估计二维时序-幅值密度，然后应用密度截断稳健期望以限制远离异常点的影响，最后通过具有自适应停止的指数级级联进行序列细化。该设计旨在提高对脱分布冲击性噪声的鲁棒性，同时使恢复轨迹接近原始局部结构。在多个基准数据集上，所提方法在曲线保真度、导数保留、下游分类和运行效率方面均显著优于经典滤波器和代表性基于学习的基线。这些结果表明，受限密度基于的恢复方法是时序数据处理管道中实用的特征保留选项。
引用
@article{arxiv.2605.24055,
title = {Cascade-KDE: Robust Time-Series Restoration under Out-of-Distribution Impulse Corruptions},
author = {Yuefeng Liu and Ning Yang and Ziyu Yang},
journal= {arXiv preprint arXiv:2605.24055},
year = {2026}
}